CN117541731A - 一种基于超声数据的肺部可视化三维重建方法 - Google Patents
一种基于超声数据的肺部可视化三维重建方法 Download PDFInfo
- Publication number
- CN117541731A CN117541731A CN202410027268.8A CN202410027268A CN117541731A CN 117541731 A CN117541731 A CN 117541731A CN 202410027268 A CN202410027268 A CN 202410027268A CN 117541731 A CN117541731 A CN 117541731A
- Authority
- CN
- China
- Prior art keywords
- lung
- existing
- edge
- healthy
- setting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012800 visualization Methods 0.000 title claims description 13
- 230000002685 pulmonary effect Effects 0.000 title description 2
- 210000004072 lung Anatomy 0.000 claims abstract description 314
- 230000000295 complement effect Effects 0.000 claims abstract description 26
- 230000002950 deficient Effects 0.000 claims abstract description 26
- 230000007547 defect Effects 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000002604 ultrasonography Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 2
- 210000001519 tissue Anatomy 0.000 description 25
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于超声数据的肺部可视化三维重建方法，涉及肺部图像分析技术领域；所述方法包括：获取健康肺部影像数据的边缘特征和现有肺部的边缘特征；根据健康肺部影像数据的边缘特征对现有肺部的边缘特征进行比对学习，得到缺陷肺部影像；从健康肺部影像数据上提取缺陷肺部影像对应的肺部影像，设置为补全影像；对缺陷肺部影像和补全影像进行多次三维重建，获取现有肺部的超声数据，对三维模型进行校正；本发明通过对现有肺部的缺陷区域进行标记，获取现有肺部的超声数据对现有肺部的缺陷区域进行校正，以解决现有技术中对肺部影像的三维重建会丢失缺陷区域，三维重建结果的准确性不高导致三维模型参考意义不大的问题。
Description
技术领域
本发明涉及肺部图像分析技术领域，尤其涉及一种基于超声数据的肺部可视化三维重建方法。
背景技术
CT的成像原理是依机体组织的密度不同，呈现出来的颜色不同，以此来分辨相应组织的形态。密度越低的组织颜色越趋于黑色，如肺泡、气管管腔、胃泡、肠腔等空腔组织为空气密度，显纯黑色；密度越高的组织颜色越趋于白色，如骨骼、组织内钙化灶，呈亮白色；人体内的绝大多数组织器官的密度则在空气密度和骨骼密度之间，呈不同程度的灰色；在计算机视觉中，三维重建是指根据单视图或者多视图的图像重建三维信息的过程。
在现有技术中，在通过CT影像数据对肺部影像进行三维重建的过程中，一般是利用现有的肺部影像数据进行三维重建，得到现有肺部的三维模型，没有对现有肺部影像进行对比分析和标记，可能会导致三维重建后的肺部模型无法准确反映出肺部缺陷或部分肺部缺陷在重建的过程中丢失，出现三维重建结果不够精确的问题。
发明内容
本发明旨在至少在一定程度上解决现有技术中的技术问题之一，本发明目的是提供一种基于超声数据的肺部可视化三维重建方法，通过对健康肺部的影像数据进行分析，得到健康肺部的边缘特征，通过比对健康肺部的边缘特征，可以对现有肺部的缺陷区域进行标记，最后获取现有肺部的超声数据对现有肺部的缺陷区域进行校正，以解决现有技术中对肺部影像的三维重建会丢失缺陷区域，三维重建结果的准确性不高导致三维模型参考意义不大的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于超声数据的肺部可视化三维重建方法，所述方法包括：
步骤S1：从大数据中获取健康肺部的CT影像数据；
步骤S2：对健康肺部的CT影像数据进行基准线像素提取，对提取到的基准线像素进行边缘学习，得到健康肺部影像数据的边缘特征；
步骤S3：获取现有肺部的CT影像数据，对现有肺部的CT影像数据进行基准线像素提取，对提取到的基准线像素进行边缘学习，得到现有肺部的边缘特征；
步骤S4：根据健康肺部影像数据的边缘特征对现有肺部的边缘特征进行比对学习，得到异常区域，在现有肺部影像上对异常区域进行标记，将标记后的肺部影像设置为缺陷肺部影像；
步骤S5：从健康肺部影像数据上提取缺陷肺部影像对应的肺部影像，设置为补全影像；
步骤S6：对缺陷肺部影像和补全影像进行多次三维重建，得到缺陷肺部三维模型、补全三维模型和还原三维模型，获取现有肺部的超声数据，对还原三维模型进行校正。
进一步地，所述步骤S2包括如下子步骤：
步骤S201：获取健康肺部的CT影像数据纵向的像素点数量，取最大值设置为第一数量；
步骤S202：在健康肺部的CT影像数据上设置第一数量的基准线，并将基准线标记为基准线n，n为正整数；所述第一数量的基准线之间互相平行，所述基准线n的宽度为一个像素点；
步骤S203：获取基准线n经过的像素点，对比相邻像素点之间的灰度差值，当相邻像素点之间的灰度差值大于等于第一灰度阈值时，将两个像素点标记为边缘像素点；
步骤S204：获取两个不相邻的边缘像素点之间的所有灰度差值小于第一灰度阈值且连续的像素点，设置为健康肺部的非边缘像素条，获取所有健康肺部的非边缘像素条的灰度值，对灰度值编号为Da，其中，a为正整数；并从左至右对所有健康肺部的非边缘像素条根据非边缘像素条类型进行编号，设置为非边缘像素条JnDaTm，其中，a、m和n均为正整数；
步骤S205：获取编号为JnDaT1的非边缘像素条，求得相邻基准线上的健康肺部的非边缘像素条Jn+1DaT1所包含的像素点的差值，并设置为平滑值JnDaP1；
步骤S206：重复步骤S205，求得健康肺部的非边缘像素条JnDaT1至非边缘像素条JnDaTm的所有平滑值JnDaPx，a、n和x均为正整数；并设置为健康肺部的边缘特征。
进一步地，所述步骤S3包括如下子步骤：
步骤S301：获取现有肺部的CT影像数据纵向的像素点数量，取最大值设置为第二数量；
步骤S302：在现有肺部的CT影像数据上设置第二数量的基准线，并将基准线标记为基准线k，k为正整数；所述第二数量的基准线之间互相平行，所述基准线k的宽度为一个像素点；
步骤S303：获取基准线k经过的像素点，对比相邻像素点之间的灰度差值，当相邻像素点之间的灰度差值大于等于第一灰度阈值时，将两个像素点标记为边缘像素点；
步骤S304：获取两个不相邻的边缘像素点之间的所有灰度差值小于第一灰度阈值且连续的像素点，设置为现有肺部的非边缘像素条，获取所有现有肺部的非边缘像素条的灰度值，对灰度值编号为Da，其中，a为正整数；并从左至右对所有现有肺部的非边缘像素条根据非边缘像素条类型进行编号，设置为非边缘像素条LkDaSi，其中，k、a和i均为正整数；
步骤S305：获取编号为LkDaS1的非边缘像素条，求得相邻基准线上的现有肺部的非边缘像素条Lk+1DaS1所包含的像素点的差值，并设置为平滑值LkDaS1；
步骤S306：重复步骤S305，求得现有肺部的非边缘像素条LkDaS1至非边缘像素条LkDaSi的所有平滑值LkDaSy，k和y均为正整数；并设置为现有肺部的边缘特征。
进一步地，所述步骤S4包括如下子步骤：
步骤S401：根据健康肺部的边缘特征和现有肺部的边缘特征将健康肺部的CT影像数据和现有肺部的CT影像数据划分为第一比对区域，第二比对区域和第三比对区域；
步骤S402：获取第一比对区域内健康肺部的边缘特征，设置为第一比对特征，获取第一比对区域内现有肺部的边缘特征，设置为第一现有特征；
对第一比对特征与第一现有特征进行比对分析，所述比对分析包括，获取第一现有特征的平滑值LkDaSy与第一比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第一比对特征内的平滑值的平均值设置为第一平滑阈值；当平滑差值小于第一平滑阈值时，判断为正常区域；
当平滑差值大于第一平滑阈值时，判断为异常区域；
步骤S403：获取第二比对区域内健康肺部的边缘特征，设置为第二比对特征，获取第二比对区域内现有肺部的边缘特征，设置为第二现有特征；
对第二比对特征与第二现有特征进行比对分析，所述比对分析包括，获取第二现有特征的平滑值LkDaSy与第二比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第二比对特征内的平滑值的平均值设置为第二平滑阈值，当平滑差值小于第二平滑阈值时，判断为正常区域；
当平滑差值大于第二平滑阈值时，判断为异常区域；
步骤S404：获取第三比对区域内健康肺部的边缘特征，设置为第三比对特征，获取第三比对区域内现有肺部的边缘特征，设置为第三现有特征；
对第三比对特征与第三现有特征进行比对分析，所述比对分析包括，获取第三现有特征的平滑值LkDaSy与第三比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第三比对特征内的平滑值的平均值设置为第三平滑阈值；当平滑差值小于第三平滑阈值时，判断为正常区域；
当平滑差值大于第三平滑阈值时，判断为异常区域；
步骤S405：对所有异常区域进行标记，并设置为缺陷肺部影像。
进一步地，步骤S401包括如下子步骤：
步骤S40101：获取健康肺部的边缘特征，对健康肺部的基准线经过的像素点进行比对；当同一条基准线所经过的像素点中没有边缘像素点时，将这条基准线设置为同类基准线；当同一条基准线所经过的像素点中存在边缘像素点时，将这条基准线设置为非同类基准线；
步骤S40102：从上到下获取相邻的同类基准线，将第一段相邻的同类基准线对应的肺部影像划分为健康肺部的第一区域；将第二段相邻的同类基准线对应的肺部影像划分为健康肺部的第三区域；将所有非同类基准线对应的肺部影像划分为健康肺部的第二区域；
步骤S40103：对现有肺部的边缘特征重复步骤S40101至步骤S40102，得到现有肺部的第一区域、现有肺部的第二区域和现有肺部的第三区域；
步骤S40104：将健康肺部的第一区域和现有肺部的第一区域设置为第一比对区域；将健康肺部的第二区域和现有肺部的第二区域设置为第二比对区域；将健康肺部的第三区域和现有肺部的第三区域设置为第三比对区域。
进一步地，所述步骤S5包括如下子步骤：
步骤S501：获取缺陷肺部影像，从健康肺部影像数据上对缺陷肺部影像进行定位；
步骤S502：选取健康肺部影像数据对缺陷肺部影像进行补全或消除，得到补全影像。
进一步地，所述步骤S6还包括：使用vtk三维重建系统对缺陷肺部影像进行三维重建，得到缺陷肺部三维模型，使用vtk三维重建系统对补全影像进行三维重建，得到补全三维模型；将补全影像在现有肺部影像中进行标记，得到还原肺部影像，对还原肺部影像使用vtk三维重建系统的，得到还原三维模型。
进一步地，所述步骤S6还包括：获取现有肺部的超声数据，得到现有肺部的气水比，计算得到补全三维模型与缺陷肺部三维模型的体积比，设置为异常体积比；当现有肺部的气水比与异常体积比相同时，输出重建正常信号；
当现有肺部的气水比与异常体积比不相同时，输出重建异常信号，并对异常区域进行重新标记。
本发明的有益效果：本发明首先通过对健康肺部的影像数据进行分析，得到健康肺部的边缘特征，再对现有肺部的影像数据进行分析，得到现有肺部的边缘特征，通过比对健康肺部的边缘特征和现有肺部的边缘特征，可以对现有肺部的缺陷区域进行标记，便于对现有肺部的缺陷区域进行获取和单独重建，便于对缺陷区域进行分析，以提高三维重建的参考价值；
本发明还获取现有肺部的超声数据结果，通过肺部的超声数据结果对现有肺部的缺陷区域进行校正，避免了丢失或误判肺部缺陷区域的情况，提高了肺部三维重建的准确性。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明的方法步骤流程图；
图2为本发明的像素提取示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于超声数据的肺部可视化三维重建方法，通过对健康肺部的影像数据进行分析，得到健康肺部的边缘特征，通过比对健康肺部的边缘特征，可以对现有肺部的缺陷区域进行标记，最后获取现有肺部的超声数据对现有肺部的缺陷区域进行校正，以解决现有技术中对肺部影像的三维重建会丢失缺陷区域，三维重建结果的准确性不高导致三维模型参考意义不大的问题。
请参阅图1所示，基于超声数据的肺部可视化三维重建方法包括如下步骤：
步骤S1：从大数据中获取健康肺部的CT影像数据；
步骤S2：对健康肺部的CT影像数据进行基准线像素提取，对提取到的基准线像素进行边缘学习，得到健康肺部影像数据的边缘特征；
请参阅图2所示，步骤S2包括如下子步骤：
步骤S201：获取健康肺部的CT影像数据纵向的像素点数量，取最大值设置为第一数量；在具体实施过程中，健康肺部的CT影像数据纵向的像素点数量的最大值代表的是健康肺部的CT影像数据的像素条行数；
步骤S202：在健康肺部的CT影像数据上设置第一数量的基准线，并将基准线标记为基准线n，n为正整数；所述第一数量的基准线之间互相平行，所述基准线n的宽度为一个像素点；
步骤S203：获取基准线n经过的像素点，对比相邻像素点之间的灰度差值，当相邻像素点之间的灰度差值大于等于第一灰度阈值时，将两个像素点标记为边缘像素点；在具体实施过程中，肺部组织的密度不同，呈现出来的颜色不同，对应的灰度值也不同，第一灰度阈值设置为50，当相邻像素点之间的灰度差值大于等于50时，则两个像素点代表的是两个不同的组织，因此两个像素点为不同组织的边缘；
步骤S204：获取两个不相邻的边缘像素点之间的所有灰度差值小于第一灰度阈值且连续的像素点，设置为健康肺部的非边缘像素条，获取所有健康肺部的非边缘像素条的灰度值，对灰度值编号为Da，其中，a为正整数；并从左至右对所有健康肺部的非边缘像素条根据非边缘像素条类型进行编号，设置为非边缘像素条JnDaTm，其中，a、m和n均为正整数；在具体实施过程中，所有灰度差值小于第一灰度阈值且连续的像素点对应的是同一组织，健康肺部的非边缘像素条编号JnDaTm中，Jn表示非边缘像素条所处的基准线，Da表示该非边缘像素条对应的组织种类；Tm表示非边缘像素条在基准线上的位置；
步骤S205：获取编号为JnDaT1的非边缘像素条，求得相邻基准线上的健康肺部的非边缘像素条Jn+1DaT1所包含的像素点的差值，并设置为平滑值JnDaP1；在具体实施过程中，同类型像素点代表的是同一密度的组织，同一密度的组织在基准线上所占的像素点可以表现出该组织的宽度，对该组织在不同基准线上的宽度进行求差，得到平滑值，可以直观反映出该组织宽度在健康肺部上的变化；
步骤S206：重复步骤S205，求得健康肺部的非边缘像素条JnDaT1至非边缘像素条JnDaTm的所有平滑值JnDaPx，a、n和x均为正整数；并设置为健康肺部的边缘特征；
步骤S3：获取现有肺部的CT影像数据，对现有肺部的CT影像数据进行基准线像素提取，对提取到的基准线像素进行边缘学习，得到现有肺部的边缘特征；步骤S3包括如下子步骤：
步骤S301：获取现有肺部的CT影像数据纵向的像素点数量，取最大值设置为第二数量；在具体实施过程中，现有肺部的CT影像数据纵向的像素点数量的最大值代表的是现有肺部的CT影像数据的像素条行数；不同现有肺部的大小不一，像素条行数也不同，第二数量以实际现有肺部的像素条行数为准；
步骤S302：在现有肺部的CT影像数据上设置第二数量的基准线，并将基准线标记为基准线k，k为正整数；所述第二数量的基准线之间互相平行，所述基准线k的宽度为一个像素点；
步骤S303：获取基准线k经过的像素点，对比相邻像素点之间的灰度差值，当相邻像素点之间的灰度差值大于等于第一灰度阈值时，将两个像素点标记为边缘像素点；
步骤S304：获取两个不相邻的边缘像素点之间的所有灰度差值小于第一灰度阈值且连续的像素点，设置为现有肺部的非边缘像素条，获取所有现有肺部的非边缘像素条的灰度值，对灰度值编号为Da，其中，a为正整数；并从左至右对所有现有肺部的非边缘像素条根据非边缘像素条类型进行编号，设置为非边缘像素条LkDaSi，其中，k、a和i均为正整数；在具体实施过程中，所有灰度差值小于第一灰度阈值且连续的像素点对应的是同一组织，现有肺部的非边缘像素条编号LkDaSi中，Lk表示非边缘像素条所处的基准线，Da表示该非边缘像素条对应的组织种类；Si表示非边缘像素条在基准线上的位置；
步骤S305：获取编号为LkDaS1的非边缘像素条，求得相邻基准线上的现有肺部的非边缘像素条Lk+1DaS1所包含的像素点的差值，并设置为平滑值LkDaS1；
步骤S306：重复步骤S305，求得现有肺部的非边缘像素条LkDaS1至非边缘像素条LkDaSi的所有平滑值LkDaSy，k和y均为正整数；并设置为现有肺部的边缘特征；
步骤S4：根据健康肺部影像数据的边缘特征对现有肺部的边缘特征进行比对学习，得到异常区域，在现有肺部影像上对异常区域进行标记，将标记后的肺部影像设置为缺陷肺部影像；步骤S4包括如下子步骤：
步骤S401：根据健康肺部的边缘特征和现有肺部的边缘特征将健康肺部的CT影像数据和现有肺部的CT影像数据划分为第一比对区域，第二比对区域和第三比对区域；在具体实施过程中，肺部各个组织的特征表现不同，不对CT影像数据进行分区可能会导致比对区域混乱，比对结果不准确，没有参考价值等问题；对CT影像数据进行分区，再对分区后的区域分别对比，可以很好地提高比对的准确性；
步骤S401还包括如下子步骤：
步骤S40101：获取健康肺部的边缘特征，对健康肺部的基准线经过的像素点进行比对；当同一条基准线所经过的像素点中没有边缘像素点时，将这条基准线设置为同类基准线；在具体实施过程中，同一条基准线所经过的像素点均为相同时，该基准线经过的为同一组织，当多条相邻的基准线都只经过同一组织时，该区域只有一种组织；当同一条基准线所经过的像素点中存在边缘像素点时，将这条基准线设置为非同类基准线；在具体实施过程中，同一条基准线所经过的像素点不相同时，该基准线经过多种组织，该区域内有多种不同的组织；
步骤S40102：从上到下获取相邻的同类基准线，将第一段相邻的同类基准线对应的肺部影像划分为健康肺部的第一区域；将第二段相邻的同类基准线对应的肺部影像划分为健康肺部的第三区域；将所有非同类基准线对应的肺部影像划分为健康肺部的第二区域；
步骤S40103：对现有肺部的边缘特征重复步骤S40101至步骤S40102，得到现有肺部的第一区域、现有肺部的第二区域和现有肺部的第三区域；
步骤S40104：将健康肺部的第一区域和现有肺部的第一区域设置为第一比对区域；将健康肺部的第二区域和现有肺部的第二区域设置为第二比对区域；将健康肺部的第三区域和现有肺部的第三区域设置为第三比对区域；
步骤S402：获取第一比对区域内健康肺部的边缘特征，设置为第一比对特征，获取第一比对区域内现有肺部的边缘特征，设置为第一现有特征；
对第一比对特征与第一现有特征进行比对分析，所述比对分析包括，获取第一现有特征的平滑值LkDaSy与第一比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第一比对特征内的平滑值的平均值设置为第一平滑阈值；当平滑差值小于第一平滑阈值时，判断为正常区域；
当平滑差值大于第一平滑阈值时，判断为异常区域；在具体实施过程中，平滑差值过大时，证明现有肺部与健康肺部差距越大，当平滑差值超过第一平滑阈值时，现有肺部与健康肺部差距过大，证明现有肺部可能出现异常；
步骤S403：获取第二比对区域内健康肺部的边缘特征，设置为第二比对特征，获取第二比对区域内现有肺部的边缘特征，设置为第二现有特征；
对第二比对特征与第二现有特征进行比对分析，所述比对分析包括，获取第二现有特征的平滑值LkDaSy与第二比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第二比对特征内的平滑值的平均值设置为第二平滑阈值；当平滑差值小于第二平滑阈值时，判断为正常区域；
当平滑差值大于第二平滑阈值时，判断为异常区域；
步骤S404：获取第三比对区域内健康肺部的边缘特征，设置为第三比对特征，获取第三比对区域内现有肺部的边缘特征，设置为第三现有特征；
对第三比对特征与第三现有特征进行比对分析，所述比对分析包括，获取第三现有特征的平滑值LkDaSy与第三比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第三比对特征内的平滑值的平均值设置为第三平滑阈值；当平滑差值小于第三平滑阈值时，判断为正常区域；
当平滑差值大于第三平滑阈值时，判断为异常区域；
步骤S405：对所有异常区域进行标记，并设置为缺陷肺部影像；
步骤S5：从健康肺部影像数据上提取缺陷肺部影像对应的肺部影像，设置为补全影像；步骤S5包括如下子步骤：
步骤S501：获取缺陷肺部影像，从健康肺部影像数据上对缺陷肺部影像进行定位；
步骤S502：选取健康肺部影像数据对缺陷肺部影像进行补全或消除，得到补全影像；
步骤S6：对缺陷肺部影像和补全影像进行多次三维重建，得到缺陷肺部三维模型、补全三维模型和还原三维模型，获取现有肺部的超声数据，对还原三维模型进行校正；
步骤S6还包括：使用vtk三维重建系统对缺陷肺部影像进行三维重建，得到缺陷肺部三维模型，使用vtk三维重建系统对补全影像进行三维重建，得到补全三维模型；将补全影像在现有肺部影像中进行标记，得到还原肺部影像，对还原肺部影像使用vtk三维重建系统的，得到还原三维模型；
获取现有肺部的超声数据，得到现有肺部的气水比，计算得到补全三维模型与缺陷肺部三维模型的体积比，设置为异常体积比；在具体实施过程中，肺部的超声数据可以反映出肺部的气水比，根据肺部气水比可以推断出肺部异常的比例，可以根据肺部气水比对异常体积比进行比较，判断肺部三维重建的准确性；
当现有肺部的气水比与异常体积比相同时，输出重建正常信号；
当现有肺部的气水比与异常体积比不相同时，输出重建异常信号，并对异常区域进行重新标记。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
Claims (8)
1.一种基于超声数据的肺部可视化三维重建方法，其特征在于，所述方法包括：
步骤S1：从大数据中获取健康肺部的CT影像数据；
步骤S2：对健康肺部的CT影像数据进行基准线像素提取，对提取到的基准线像素进行边缘学习，得到健康肺部影像数据的边缘特征；
步骤S3：获取现有肺部的CT影像数据，对现有肺部的CT影像数据进行基准线像素提取，对提取到的基准线像素进行边缘学习，得到现有肺部的边缘特征；
步骤S4：根据健康肺部影像数据的边缘特征对现有肺部的边缘特征进行比对学习，得到异常区域，在现有肺部影像上对异常区域进行标记，将标记后的肺部影像设置为缺陷肺部影像；
步骤S5：从健康肺部影像数据上提取缺陷肺部影像对应的肺部影像，设置为补全影像；
步骤S6：对缺陷肺部影像和补全影像进行多次三维重建，得到缺陷肺部三维模型、补全三维模型和还原三维模型，获取现有肺部的超声数据，对还原三维模型进行校正。
2.根据权利要求1所述的一种基于超声数据的肺部可视化三维重建方法，其特征在于，所述步骤S2包括如下子步骤：
步骤S201：获取健康肺部的CT影像数据纵向的像素点数量，取最大值设置为第一数量；
步骤S202：在健康肺部的CT影像数据上设置第一数量的基准线，并将基准线标记为基准线n，n为正整数；所述第一数量的基准线之间互相平行，所述基准线n的宽度为一个像素点；
步骤S203：获取基准线n经过的像素点，对比相邻像素点之间的灰度差值，当相邻像素点之间的灰度差值大于等于第一灰度阈值时，将两个像素点标记为边缘像素点；
步骤S204：获取两个不相邻的边缘像素点之间的所有灰度差值小于第一灰度阈值且连续的像素点，设置为健康肺部的非边缘像素条，获取所有健康肺部的非边缘像素条的灰度值，对灰度值编号为Da，其中，a为正整数；并从左至右对所有健康肺部的非边缘像素条根据非边缘像素条类型进行编号，设置为非边缘像素条JnDaTm，其中，a、m和n均为正整数；
步骤S205：获取编号为JnDaT1的非边缘像素条，求得相邻基准线上的健康肺部的非边缘像素条Jn+1DaT1所包含的像素点的差值，并设置为平滑值JnDaP1；
步骤S206：重复步骤S205，求得健康肺部的非边缘像素条JnDaT1至非边缘像素条JnDaTm的所有平滑值JnDaPx，a、n和x均为正整数；并设置为健康肺部的边缘特征。
3.根据权利要求2所述的一种基于超声数据的肺部可视化三维重建方法，其特征在于，所述步骤S3包括如下子步骤：
步骤S301：获取现有肺部的CT影像数据纵向的像素点数量，取最大值设置为第二数量；
步骤S302：在现有肺部的CT影像数据上设置第二数量的基准线，并将基准线标记为基准线k，k为正整数；所述第二数量的基准线之间互相平行，所述基准线k的宽度为一个像素点；
步骤S303：获取基准线k经过的像素点，对比相邻像素点之间的灰度差值，当相邻像素点之间的灰度差值大于等于第一灰度阈值时，将两个像素点标记为边缘像素点；
步骤S304：获取两个不相邻的边缘像素点之间的所有灰度差值小于第一灰度阈值且连续的像素点，设置为现有肺部的非边缘像素条，获取所有现有肺部的非边缘像素条的灰度值，对灰度值编号为Da，其中，a为正整数；并从左至右对所有现有肺部的非边缘像素条根据非边缘像素条类型进行编号，设置为现有肺部的非边缘像素条LkDaSi，其中，k、a和i均为正整数；
步骤S305：获取编号为LkDaS1的非边缘像素条，求得相邻基准线上的非边缘像素条Lk+ 1DaS1所包含的像素点的差值，并设置为平滑值LkDaS1；
步骤S306：重复步骤S305，求得现有肺部的非边缘像素条LkDaS1至非边缘像素条LkDaSi的所有平滑值LkDaSy，k和y均为正整数；并设置为现有肺部的边缘特征。
4.根据权利要求3所述的一种基于超声数据的肺部可视化三维重建方法，其特征在于，所述步骤S4包括如下子步骤：
步骤S401：根据健康肺部的边缘特征和现有肺部的边缘特征将健康肺部的CT影像数据和现有肺部的CT影像数据划分为第一比对区域，第二比对区域和第三比对区域；
步骤S402：获取第一比对区域内健康肺部的边缘特征，设置为第一比对特征，获取第一比对区域内现有肺部的边缘特征，设置为第一现有特征；
对第一比对特征与第一现有特征进行比对分析，所述比对分析包括，获取第一现有特征的平滑值LkDaSy与第一比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第一比对特征内的平滑值的平均值设置为第一平滑阈值；当平滑差值小于第一平滑阈值时，判断为正常区域；
当平滑差值大于第一平滑阈值时，判断为异常区域；
步骤S403：获取第二比对区域内健康肺部的边缘特征，设置为第二比对特征，获取第二比对区域内现有肺部的边缘特征，设置为第二现有特征；
对第二比对特征与第二现有特征进行比对分析，所述比对分析包括，获取第二现有特征的平滑值LkDaSy与第二比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第二比对特征内的平滑值的平均值设置为第二平滑阈值；当平滑差值小于第二平滑阈值时，判断为正常区域；
当平滑差值大于第二平滑阈值时，判断为异常区域；
步骤S404：获取第三比对区域内健康肺部的边缘特征，设置为第三比对特征，获取第三比对区域内现有肺部的边缘特征，设置为第三现有特征；
对第三比对特征与第三现有特征进行比对分析，所述比对分析包括，获取第三现有特征的平滑值LkDaSy与第三比对特征内的平滑值JnDaPx的差值，设置为平滑差值，将第三比对特征内的平滑值的平均值设置为第三平滑阈值；当平滑差值小于第三平滑阈值时，判断为正常区域；
当平滑差值大于第三平滑阈值时，判断为异常区域；
步骤S405：对所有异常区域进行标记，并设置为缺陷肺部影像。
5.根据权利要求4所述的一种基于超声数据的肺部可视化三维重建方法，其特征在于，步骤S401包括如下子步骤：
步骤S40101：获取健康肺部的边缘特征，对健康肺部的基准线经过的像素点进行比对；当同一条基准线所经过的像素点中没有边缘像素点时，将这条基准线设置为同类基准线；当同一条基准线所经过的像素点中存在边缘像素点时，将这条基准线设置为非同类基准线；
步骤S40102：从上到下获取相邻的同类基准线，将第一段相邻的同类基准线对应的肺部影像划分为健康肺部的第一区域；将第二段相邻的同类基准线对应的肺部影像划分为健康肺部的第三区域；将所有非同类基准线对应的肺部影像划分为健康肺部的第二区域；
步骤S40103：对现有肺部的边缘特征重复步骤S40101至步骤S40102，得到现有肺部的第一区域、现有肺部的第二区域和现有肺部的第三区域；
步骤S40104：将健康肺部的第一区域和现有肺部的第一区域设置为第一比对区域；将健康肺部的第二区域和现有肺部的第二区域设置为第二比对区域；将健康肺部的第三区域和现有肺部的第三区域设置为第三比对区域。
6.根据权利要求4所述的一种基于超声数据的肺部可视化三维重建方法，其特征在于，所述步骤S5包括如下子步骤：
步骤S501：获取缺陷肺部影像，从健康肺部影像数据上对缺陷肺部影像进行定位；
步骤S502：选取健康肺部影像数据对缺陷肺部影像进行补全或消除，得到补全影像。
7.根据权利要求6所述的一种基于超声数据的肺部可视化三维重建方法，其特征在于，所述步骤S6还包括：使用vtk三维重建系统对缺陷肺部影像进行三维重建，得到缺陷肺部三维模型，使用vtk三维重建系统对补全影像进行三维重建，得到补全三维模型；将补全影像在现有肺部影像中进行标记，得到还原肺部影像，对还原肺部影像使用vtk三维重建系统的，得到还原三维模型。
8.根据权利要求7所述的一种基于超声数据的肺部可视化三维重建方法，其特征在于，所述步骤S6还包括：获取现有肺部的超声数据，得到现有肺部的气水比，计算得到补全三维模型与缺陷肺部三维模型的体积比，设置为异常体积比；当现有肺部的气水比与异常体积比相同时，输出重建正常信号；
当现有肺部的气水比与异常体积比不相同时，输出重建异常信号，并对异常区域进行重新标记。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410027268.8A CN117541731B (zh) | 2024-01-09 | 2024-01-09 | 一种基于超声数据的肺部可视化三维重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410027268.8A CN117541731B (zh) | 2024-01-09 | 2024-01-09 | 一种基于超声数据的肺部可视化三维重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541731A true CN117541731A (zh) | 2024-02-09 |
| CN117541731B CN117541731B (zh) | 2024-03-12 |
Family
ID=89792256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410027268.8A Active CN117541731B (zh) | 2024-01-09 | 2024-01-09 | 一种基于超声数据的肺部可视化三维重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541731B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934485A (zh) * | 2024-03-25 | 2024-04-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019241637A1 (en) * | 2018-06-14 | 2019-12-19 | Thomas Jefferson University | A novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases |
| KR20220137220A (ko) * | 2021-04-01 | 2022-10-12 | 고려대학교 산학협력단 | 인공지능 기반의 의료 영상 3차원 변환 장치 및 방법 |
| CN115661149A (zh) * | 2022-12-26 | 2023-01-31 | 天津医科大学总医院 | 一种基于肺部组织数据的肺部影像处理系统 |
| CN115713590A (zh) * | 2022-09-27 | 2023-02-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于ct的三维重建图像处理方法及系统 |
| CN115984300A (zh) * | 2022-12-13 | 2023-04-18 | 东北林业大学 | 一种基于平扫ct的肺栓塞识别方法 |
| CN116188473A (zh) * | 2023-05-05 | 2023-05-30 | 天津医科大学总医院 | 一种基于图像深度学习的肺部病灶识别方法及系统 |
| CN116596901A (zh) * | 2023-05-25 | 2023-08-15 | 千诊万确(上海)科技有限公司 | 一种基于大数据的超声波数据监测系统及方法 |
-
2024
- 2024-01-09 CN CN202410027268.8A patent/CN117541731B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019241637A1 (en) * | 2018-06-14 | 2019-12-19 | Thomas Jefferson University | A novel, quantitative framework for the diagnostic, prognostic, and therapeutic evaluation of spinal cord diseases |
| KR20220137220A (ko) * | 2021-04-01 | 2022-10-12 | 고려대학교 산학협력단 | 인공지능 기반의 의료 영상 3차원 변환 장치 및 방법 |
| CN115713590A (zh) * | 2022-09-27 | 2023-02-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于ct的三维重建图像处理方法及系统 |
| CN115984300A (zh) * | 2022-12-13 | 2023-04-18 | 东北林业大学 | 一种基于平扫ct的肺栓塞识别方法 |
| CN115661149A (zh) * | 2022-12-26 | 2023-01-31 | 天津医科大学总医院 | 一种基于肺部组织数据的肺部影像处理系统 |
| CN116188473A (zh) * | 2023-05-05 | 2023-05-30 | 天津医科大学总医院 | 一种基于图像深度学习的肺部病灶识别方法及系统 |
| CN116596901A (zh) * | 2023-05-25 | 2023-08-15 | 千诊万确(上海)科技有限公司 | 一种基于大数据的超声波数据监测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李凌;周晓军;李雄兵;: "超声C扫描图像的缺陷边缘提取及特征参数构建", 中国机械工程, no. 15, 10 August 2007 (2007-08-10) * |
| 裴晓敏;: "基于形状分析的肺部疑似粘连肿瘤检测", 科技信息, no. 23, 15 August 2009 (2009-08-15) * |
| 黄魁东;张定华;金炎芳;: "低对比度锥束CT图像缺陷分割算法", 核电子学与探测技术, no. 01, 20 January 2009 (2009-01-20) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934485A (zh) * | 2024-03-25 | 2024-04-26 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
| CN117934485B (zh) * | 2024-03-25 | 2024-05-31 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于ct图像的肺部气管路径特征提取方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541731B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117541731B (zh) | 一种基于超声数据的肺部可视化三维重建方法 | |
| CN102567958B (zh) | 一种去除ct图像中金属伪影的图像后处理方法 | |
| CN107808156A (zh) | 感兴趣区域提取方法 | |
| CN109636808A (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
| US20070127804A1 (en) | Adaptive density mapping in computed tomographic images | |
| CN105719324A (zh) | 图像处理装置以及图像处理方法 | |
| KR20000060352A (ko) | 턱뼈의 뼈밀도를 확인하기 위한 시뮬레이션 방법 및 이를 실현시키기 위한 프로그램이 기록된 기록매체 | |
| JP2006198411A (ja) | 心筋層の損傷の可視化方法 | |
| Kim et al. | Automatic extraction of inferior alveolar nerve canal using feature-enhancing panoramic volume rendering | |
| CN112102495B (zh) | 一种基于cbct影像的牙弓曲面生成方法 | |
| CN111493918B (zh) | 腰椎ct影像的观测面自动定位方法、应用方法及设备 | |
| CN115661149B (zh) | 一种基于肺部组织数据的肺部影像处理系统 | |
| CN113706492B (zh) | 一种基于胸部ct影像的肺实质自动分割方法 | |
| CN114723739B (zh) | 一种基于cta影像的血管分段模型训练数据标注方法及装置 | |
| CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
| CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
| CN111261284A (zh) | 一种基于医学影像的诊断信息处理方法、装置及存储介质 | |
| CN116152500A (zh) | 一种基于深度学习的全自动牙齿cbct图像分割方法 | |
| CN118334273A (zh) | 一种主动脉窦管交界平面自动提取方法、装置及存储介质 | |
| CN113160248B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN112598629A (zh) | 一种基于人工智能的牙齿排列异常定位辅助系统 | |
| CN107492105A (zh) | 一种基于多统计信息的变分分割方法 | |
| CN112927225A (zh) | 基于人工智能的智齿生长状态辅助检测系统 | |
| CN117523207B (zh) | 肺叶分割矫正处理的方法、装置、电子设备及存储介质 | |
| CN117115405B (zh) | 一种基于cbct的三维牙齿图像切片展示方法、介质和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |